基于符号动力学与云模型的卫星动量轮故障检测方法

基于符号动力学与云模型的卫星动量轮故障检测方法
【技术领域】
[0001] 本发明涉及卫星动量轮故障诊断领域，具体涉及一种基于符号动力学与云模型的 卫星动量轮故障检测方法。
【背景技术】
[0002] 卫星长期工作在失重、高低温等恶劣环境下，早期故障容易恶化并发展为严重故 障，动量轮是卫星重要的执行器。由于空间环境恶劣以及对其使用频繁，难免发生微弱故障 或者性能衰退等异常情况。对其进行早期故障检测方面的研究，有助于预防严重故障，降低 系统运行、维护的成本。
[0003] 现有技术对卫星动量轮故障检测手段主要有以下两种：一是基于模型的方法，根 据动量轮的数学模型提出基于观测器的故障检测方法，此类方法一般要求建立精确的数学 模型。二是基于阈值的故障检测方法，主要通过动量轮的重要性能指标是否超出阈值控制 线为诊断依据，该方法能够简单、快速的检测动量轮故障，但不能很好的对早期、微弱故障 进行有效、及时的检测，只能诊断较为严重的故障，对卫星的安全运行已经造成了严重威 胁。

【发明内容】

[0004] 本发明利用卫星的实时遥测数据，进而提出一种基于符号动力学与云模型的卫星 动量轮故障检测方法，对动量轮进行早期的故障检测和故障诊断。现有技术的建模方法主 要采用基于模型的建模方法，基于模型的方法忽略了动量轮的性能退化过程以及外部环境 干扰的问题；此外，针对动量轮观测变量的历史数据量大，且信号周期长，导致特征信号无 法快速提取，不能对早期故障进行有效及时的检测。本发明的故障检测方法通过结合符号 动力学模型与云模型的优点来进行动量轮的故障检测。具体的说，本发明是通过字符序列 的信息熵反映动量轮电流信号的缓变异常信息，由对应熵值的云模型来确定动量轮的正常 扰动的允许范围；当故障对应的云模型，即故障云超出健康云（健康状态所建立的云模型） 允许范围（健康云模型的半径）时，即给出动量轮故障预警。本发明方法可以实现动量轮 系统的早期故障检测。
[0005] 本发明基于符号动力学与云模型的卫星动量轮故障检测方法步骤如下：
[0006] 步骤一、基于符号动力学模型，选择关键的单变量分析动量轮的运行状态，获得健 康云模型；
[0007] 步骤二、通过动量轮的云模型对电流信号分析，建立云模型进行卫星动量轮故障 检测：
[0008] 每段时间历程内，通过符号动力学可以计算相应的电流信号信息熵，一组电流信 号的训练样本可以得到一组电流信息熵值，根据电流信息熵值计算电流熵值样本的阈值即 健康云模型的半径公式如下：
[0009] Hthreshold= (Hmax-Hmin)/2 (3)
[0010] 根据电流信息熵值计算电流熵值样本的偏差程度参考值公式如下：
[0011] Hreference = (H max+Hmin) / 2 (4)
[0012] 公式（3)和公式⑷中Hniax是电流熵值样本中的最大值，H _是电流熵值样本中 的最小值；其中，Hthrashcild是电流熵值样本的阈值，为电流熵值样本的偏差程度参考 值；
[0013] 确定新电流样本熵值H_范围公式如下：
[0017] Ex是云模型期望，En是云模型的熵，He是云模型的超熵；其中，期望代表的系统的 理想状态，而熵代表新样本偏离期望状态的程度，超熵反映熵的不确定性，即概率值的置信 度；
[0018] 根据动量轮的健康云模型，当待测云模型的期望超出健康云模型的期望，且大于 故障
[0019] 检测的阈值时，本算法判断动量轮系统出现故障，公式如下：
[0020] I Extest-ExHealth I 彡 3En (12)
[0021] 其中，Extest是待测云模型期望，Ex Health是健康云模型期望。
[0022] 发明效果
[0023] 1、本发明建立的健康云模型与有噪声的健康云模型之间的差异性小，噪声对云模 型的影响非常的微弱，本发明的抗噪能力强。
[0024] 2、本发明与现有技术相比，早期故障所对应的电流与健康状态所对应的电流大部 分重叠，单变量阈值检测方法不能检测早期故障；而本发明建立的云模型能够准确的检测 动量轮的早期故障。
[0025] 3、本发明与现有技术相比，现有技术单变量阈值检测方法能够检测严重故障中部 分数据，本发明建立的云模型能够直观、清晰的反映动量轮的严重故障偏离健康状态的程 度。
【附图说明】
[0026] 图1是动量轮闭环系统框图；
[0027] 图2是动量轮故障检测流程框图；
[0028] 图3是熵值变化率的曲线图；
[0029] 图4是电流的健康状态与故障状态图；
[0030] 图5是云模型的故障检测结果图。
【具体实施方式】
【具体实施方式】 [0031] 一：本实施方式的基于符号动力学与云模型的卫星动量轮故障检测 方法按照以下步骤实现：
[0032] 步骤一、基于符号动力学模型，选择关键的单变量分析动量轮的运行状态，获得动 量轮的云模型；
[0033] 步骤二、通过动量轮的云模型对电流信号分析，建立云模型进行卫星动量轮故障 检测：
[0034] 每段时间历程内，通过符号动力学可以计算相应的电流信号信息熵，一组电流信 号的训练样本可以得到一组电流信息熵值，根据电流信息熵值计算电流熵值样本的阈值即 健康云模型的半径公式如下：
[0035] Hthreshold= (Hmax-Hmin)/2 (3)
[0036] 根据电流信息熵值计算电流熵值样本的偏差程度参考值公式如下：
[0037] Hreference= (Hmax+Hmin)/2 (4)
[0038] 公式（3)和公式⑷中Hniax是电流熵值样本中的最大值，H _是电流熵值样本中 的最小值；其中，Hthrashcild是电流熵值样本的阈值，为电流熵值样本的偏差程度参考 值；
[0039] 确定新电流样本熵值Η_范围公式如下：
[0043] Ex是云模型期望，En是云模型的熵，He是云模型的超熵；其中，期望代表的系统的 理想状态，而熵代表新样本偏离期望状态的程度，超熵反映熵的不确定性，即概率值的置信 度；
[0044] 根据动量轮的健康云模型，当待测云模型的期望超出健康云模型的期望，且大于 故障
[0045] 检测的阈值时，本算法判断动量轮系统出现故障，公式如下：
[0046] I Extest_ExHealth I 彡 3En (12)
[0047] 其中，Extest是待测云模型期望，Ex Health是健康云模型期望。
[0048] 本实施方式有益效果：
[0049] 1、本实施方式建立的健康云模型与有噪声的健康云模型之间的差异性小，噪声对 云模型的影响非常的微弱，本实施方式抗噪能力强。
[0050] 2、本实施方式与现有技术相比，现有技术早期故障所对应的云模型与健康状态所 对应的云模型有重叠部分，电流故障状态与健康状态难以区分，本实施方式建立的云模型 能够检测出动量轮的早期故障。
[0051] 3、本实施方式与现有技术相比，现有技术单变量阈值检测方法能够检测严重故障 中部分数据，本实施方式建立的云模型能够直观、清晰的反映动量轮的严重故障偏离健康 状态的程度。
【具体实施方式】 [0052] 二：本实施方式与一不同，其特征在于步骤一基于符 号动力学模型，选择关键的单变量分析动量轮的运行状态如图1步骤如下：
[0053] 动量轮米用直流无刷电机，动量轮存在三个非线性变量，开环系统中的状态空间 动量轮数学模型表示为：
[0055] 作为姿态执行器，动量轮输出的实际控制力矩 '为
[0056] τζ= k Jn (2)
[0057] 其中，GdS电机驱动增益；ω d为驱动带宽；In为电机电流；&为电机电流导数；τ v 为滑动摩擦力矩；τ e为静摩擦力矩，也叫库伦摩擦力矩；J为动量轮的转动惯量；ω为动量 轮的实时转速。为转速的导数为控制指令电压；Φ JIni, ω)、φ2(ω)、φ3(ω)分别表 示反电动势模块、摩擦力矩模块、速度限制模块三个非线性函数；ktS动量轮电机的转动系 数，'为动量轮输出的反作用力矩；
[0058] 根据动量轮的数学模型，选择电流作为动量轮的运行状态的关键变量。
【具体实施方式】 [0059] 三：本实施方式与一或二不同，其特征在于基于符号 动力学模型，选择关键的单变量分析动量轮的运行状态，获得动量轮的云模型如图2具体 步骤如下：
[0060] 步骤一一、合理划分电流信号样本；
[0061] 步骤一二、根据信息熵值选择字符个数；
[0062] 步骤一三、计算电流信号的状态转移矩阵；
[0063] 步骤一四、根据状态转移矩阵提取信息熵。
【具体实施方式】 [0064] 四：本实施方式与三不同，其特征在于步骤一二根据 信息熵值选择字符个数：
[0065] 设截取2段正常状态的电流信号分别为X。，xT，其中电流信号^由X。叠加噪声构 成，如下式：
[0068] 公式（7)中X。是动量轮的电流信号，动量轮的电流信号是从连续系统中离散的采 集；即&是一段离散的数值序列，其变化的最大最小区间为[min( X(])，max(X。)];符号动力 学将动量轮电流的数值区间[min (X。)，max (X。)]划分了 k+Ι个子区间，一共有k个字符slQ， Sll，S12，…slk，每个子区间代表了电流信号的波动范围；在外界干扰作用下，动量轮电流数 值具有不同波动范围的排列组合；
[0069] 设置字符个数由2至15依次递增，分别计算X。与^的熵值；在不同字符个数情况 下所对应的熵值HJk)和屮(1〇,其中k = 2,…，15,取差值
[0072] 当差值Δ H(k)最小时，对应的字符个数k是理想的字符个数；理想的字符个数所 对应的信息熵准确的提取电流信号的不变特征；h(k)是熵值相对字符个数的变化率，即熵 的变化率；熵的变化率反映同一噪声对信息熵的干扰；熵的变化率的阈值 ε h能够反映字 符个数为k的符号动力学模型对噪声的抗干扰能力；
[0073] 通过信息熵值选择